Исследователи из Центра ИИ НИУ ВШЭ разработали метод, позволяющий создавать устойчивые модели искусственного интеллекта (ИИ), которые функционируют надежно и предсказуемо, при этом процесс обучения моделей стал в восемь раз быстрее. Результаты исследования были опубликованы в научном журнале EEE Xplore.
Современный искусственный интеллект обучается на больших объемах данных, однако не все модели демонстрируют одинаковую стабильность. Некоторые обеспечивают точные прогнозы каждый раз, в то время как другие могут давать непредсказуемые результаты, зависящие от случайного распределения данных или начальных параметров. Для решения важных задач, таких как определение энергии и направления частиц в ускорителях, ученым необходимы надежные модели, которые обеспечивают предсказуемый результат в любых условиях.
Российские ученые предложили метод, который позволяет обучать множество моделей и автоматически отбирать среди них самые стабильные. Каждая модель обучается несколько раз на слегка измененных данных и с различными начальными параметрами, после чего система оценивает стабильность полученных результатов. Этот подход позволяет сократить количество необходимых попыток в восемь раз по сравнению с обычным полным перебором моделей.
Метод был разработан группой ученых под руководством ведущего научного сотрудника Института ИИ и цифровых наук НИУ ВШЭ (Москва) Федора Ратникова для ускорения создания нейросетей и традиционных систем машинного обучения, работающих с данными из коллайдеров. В настоящее время такие алгоритмы активно используются, в том числе на Большом адронном коллайдере, где они помогают быстрее обрабатывать первичные данные экспериментов. Проверка работы алгоритма на наборе данных с датчиков ускорителя показала, что оптимальную модель ИИ можно подобрать за 41,5 тыс. попыток, что в восемь раз меньше, чем при полном переборе.
Новый подход также делает процесс обучения моделей более предсказуемым. Исследователи выяснили, что модели с дополнительными «подсказками» о данных обучаются быстрее, требуют меньших обучающих выборок и обеспечивают более стабильные результаты. Это особенно важно для задач, где необходимо получать одинаково точные результаты как при повторном обучении, так и при работе с различными партиями данных. В будущем метод ускорит разработку нейросетей для решения задач в области физики частиц и других научных дисциплинах, где стабильность и надежность ИИ имеют критическое значение.
Глава госкорпорации «Росатом» Алексей Лихачев на первом Международном симпозиуме по ИИ и атомной энергетике в штаб-квартире Международного агентства по атомной энергии (МАГАТЭ) 3 декабря сообщил, что использование технологий искусственного интеллекта (ИИ) дополнительно принесет более €110 млрд в экономику России к 2030 году. По словам Лихачева, в настоящее время в России создается полный технологический цикл, который включает производство энергии и вычислительной инфраструктуры. Также подчеркивается создание алгоритмов и получение результатов.
Фото: hi-tech.mail.ru